1.大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法,其特征在于,包括步骤:S100,利用燃料电池测试平台和阻抗谱分析仪测试大功率质子交换膜燃料电池各种工况条件下的操作参数和阻抗谱;
S200,根据所测量的操作参数及阻抗谱,设置长短时神经网络的参数,通过长短时神经网络对质子交换膜燃料电池的阻抗进行建模;
S300,通过所构建的模型对大功率质子交换膜燃料电池各种工况下的阻抗进行预测。
2.根据权利要求1所述的大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法,其特征在于,在所述步骤S100中,利用燃料电池测试平台和阻抗谱分析仪测试大功率质子交换膜燃料电池各种工况条件下的操作参数和阻抗谱,包括步骤:S101,对燃料电池测试台进行检漏及预启动;
S102,启动电子负载并改变燃料电池负载电流,使电堆运行在欧姆区;
S103,关闭电子负载;
S104,启动阻抗谱分析仪;
S105,根据控制变量法改变操作参数;
S106,通过阻抗谱分析仪测量各条件下的电池阻抗,通过阻抗变化规律得到阻抗谱。
3.根据权利要求2所述的大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法,其特征在于,在所述步骤S105中,根据控制变量法改变操作参数,包括电堆运行温度、氢气过量系数、空气过量系数和吹扫周期。
4.根据权利要求3所述的大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法,其特征在于,在所述步骤S200中,根据所测量的操作参数及阻抗谱,设置长短时神经网络的参数,通过长短时神经网络对质子交换膜燃料电池的阻抗进行建模,包括步骤:S201,选择所测量数据集数据用于长短时神经网络训练;
S202,设置四种操作参数为输入,各频率点的阻抗实部值和虚部值为输出;
S203,对输入数据进行归一化;
S204,根据操作参数设置网络输入维度;
S205,根据阻抗谱数据设置网络输出维度;
S206,设置隐藏层节点;
S207,运行长短时神经网络,对大功率质子交换膜燃料电池阻抗谱进行建模。
5.根据权利要求4所述的大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法,其特征在于,根据操作参数设置网络输入维度为4;根据阻抗谱数据设置网络输出维度为70;
设置隐藏层节点为10。
6.根据权利要求5所述的大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法,其特征在于,在步骤S300中,通过所构建的模型对大功率质子交换膜燃料电池各种工况下的阻抗进行预测,包括步骤:S301,获取所需预测的大功率质子交换膜燃料电池电堆的操作参数,包括运行温度、氢气过量系数、空气过量系数和吹扫周期,作为预测数据集;
S302,对预测数据集的输入进行归一化;
S303,将上述获取到的预测数据集输入基于长短时神经网络的大功率质子交换膜燃料电池阻抗模型,获取预测阻抗谱;
S304,对所获得的预测阻抗谱数据进行精准评判,后输出通过结果作为最终输出的预测阻抗谱。
7.根据权利要求6所述的大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法,其特征在于,对所获得的预测阻抗谱数据进行精准评判,包括步骤计算预测阻抗与实际阻抗的相对误差;
若相对误差大于5%,则调整长短时神经网络参数并重新进行建模;
若相对误差不大于5%,则接受该长短时神经网络参数及预测结果。
8.根据权利要求7所述的大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法,其特征在于,所述计算预测阻抗与实际阻抗的相对误差的公式为:式中N为所测量频率点数, 分别为频率fn下测量阻抗与预测阻抗的实部,分别为频率fn下测量阻抗与预测阻抗的虚部。